Por qué la analítica orientada a la toma de decisiones impulsa el compromiso de clientes
Peter Baudains, Director de Innovación en Soluciones y Analítica de The ai Corporation (ai), escribe sobre la importancia de utilizar la analítica de datos para mejorar el compromiso de los clientes.
La pandemia y los cierres nacionales resultantes han creado un entorno operativo difícil para los minoristas de combustible, con menos gente viajando y una disminución de las ventas. Como resultado, muchos minoristas están recurriendo a la analítica de datos y a la tecnología asociada para reducir costes y mejorar el servicio al cliente.
Algunos de los proyectos más interesantes -y potencialmente más beneficiosos- se centran en el uso de la analítica de datos para mejorar el compromiso de los clientes. Ayudar a retener y comprender mejor a los clientes existentes y a los nuevos. Identificar las necesidades individuales de los clientes y adaptar los niveles de servicio para satisfacer esas necesidades y expectativas. De hecho, cada vez se acepta más que una empresa impulsada por los datos puede entender mejor a sus clientes y adaptar sus servicios de forma mucho más sistemática.
Por ejemplo, al analizar los datos que un minorista tiene sobre las compras de un individuo -los tipos de productos que compra, los extras que puede añadir a su cesta, la regularidad de los repostajes o la ubicación de su tienda o estación de servicio favorita-, los minoristas pueden personalizar sus esfuerzos de marketing, lo que puede implicar no enviar a un cliente un tipo particular de correo electrónico o una recompensa de fidelidad, porque entienden lo que un individuo es probable que compre, cuándo y dónde. Pueden programar y adaptar su enfoque. Pueden enviar a los clientes información útil o hacer que un miembro de su equipo llame a un cliente que podría estar pensando en comprar a un competidor.
En el mundo de las tarjetas de combustible, esto podría implicar la identificación de estructuras de precios y descuentos novedosas y flexibles, basadas en las necesidades operativas del cliente y derivadas del análisis de los patrones de uso de los clientes. Otro análisis podría investigar las rutas que suele seguir una flota y ofrecer incentivos para repostar en lugares que se ajusten a esas pautas. Este tipo de enfoque beneficia a todas las partes implicadas: al conductor, porque es conveniente; al gestor de la flota, porque es más barato; y al minorista, porque fija el uso del cliente en su red.
La información es tan buena como las preguntas que se hacen
A pesar de los beneficios, la continua existencia de la brecha entre datos y valor nos indica que muchos proyectos de análisis de datos siguen destinados al fracaso. Y mientras muchas organizaciones siguen mejorando dos importantes competencias que siguen siendo fundamentales para el éxito de los proyectos de datos y análisis (la gobernanza de los datos y las habilidades analíticas), a menudo se pasa por alto un tercer elemento de esta trifecta.
Por muy avanzada que sea su función de análisis de datos, sus datos no le proporcionarán una solución lista a menos que les haga las preguntas adecuadas. Muchas empresas olvidan que cualquier análisis debe estar orientado a la toma de decisiones. En un artículo reciente, los expertos explican cómo algunos enfoques basados en los datos pueden centrarse en el uso de los datos disponibles para responder a la pregunta equivocada.
Un enfoque mucho mejor es comenzar con la pregunta que necesita respuesta; encontrar los datos que permiten responder a la pregunta y luego diseñar un enfoque de análisis dirigido a evaluar las alternativas disponibles. Para profundizar un poco más en esta idea, es útil entender una clasificación de proyectos de análisis que se utiliza habitualmente, según la cual los proyectos de datos y análisis suelen ser de tres tipos
- Análisis descriptivos, cuyo objetivo es describir lo que ha sucedido. Este tipo de proyectos se centra en la obtención de datos relevantes, oportunos y precisos, seguidos de la limpieza, el enriquecimiento y la visualización de los datos para proporcionar una explicación intuitiva de un evento que ha ocurrido o una perspectiva histórica de un proceso en curso. Un uso común de la analítica descriptiva es el desarrollo de cuadros de mando empresariales que pretenden resumir el rendimiento de la empresa a través de los KPI.
- El análisis predictivo, que tiene en cuenta los acontecimientos futuros e intenta responder a la pregunta de qué es probable que ocurra. Los proyectos de este tipo implican un modelo predictivo, a menudo construido mediante el entrenamiento de un algoritmo de aprendizaje automático o de previsión estadística con un conjunto de datos históricos. Mediante el aprendizaje y la extrapolación de las correlaciones de los datos, estos modelos intentan captar la esencia de un comportamiento o un vínculo causal que se traduce en predicciones beneficiosas. Algunos ejemplos son la previsión de la demanda de los clientes o la clasificación de una transacción como fraudulenta o auténtica (el evento futuro que se predice aquí no es la transacción en sí, sino la revelación de la verdadera naturaleza de la transacción).
- El análisis prescriptivo, que aborda la cuestión de lo que debe hacerse. El objetivo de este tipo de proyecto es comprender qué intervención puede hacerse en un sistema para lograr de forma proactiva algún resultado deseado. Este tipo de proyecto suele incluir elementos tanto de análisis descriptivo (para comprender el estado actual) como de análisis predictivo (para proporcionar el estado futuro).
Sin embargo, el mayor reto de la analítica prescriptiva es entender qué intervenciones funcionan y cuáles pueden tener consecuencias no deseadas. Es necesario realizar una investigación mediante un análisis causal para examinar la relación entre la intervención propuesta y el resultado que se busca. Esto puede obtenerse mediante simulación, diversas técnicas estadísticas o de optimización y/o la realización de un experimento aleatorio.
La prevención del fraude es un excelente caso de uso. Un análisis descriptivo le dirá todo sobre su problema de fraude (cuándo/donde/cuánto). Un modelo predictivo puede proporcionar una indicación de qué transacciones podrían ser arriesgadas. Mientras que un análisis prescriptivo considerará qué intervenciones conducirán a los mejores resultados empresariales.
Por ejemplo, detallando qué transacciones deben ser rechazadas en tiempo real, lo que debería llevar al bloqueo automático de una tarjeta antes de que se realice la siguiente transacción, antes de que sea revisada por un analista humano. En este caso, el análisis prescriptivo puede realizarse automáticamente para optimizar el beneficio, contabilizando el coste de la pérdida por fraude, los costes operativos de la revisión manual de las transacciones, así como el rechazo del pago en el punto de venta, que, en el caso del combustible al por menor, puede llevar a que los vehículos bloqueen la explanada.
Si un proyecto va a estar orientado a la toma de decisiones, debe tener algún tipo de elemento prescriptivo. Este elemento prescriptivo investiga las intervenciones que pueden realizarse a través de la decisión (las alternativas) y vincula los datos subyacentes, y cualquier modelo desarrollado a lo largo del camino, a esa decisión.
Entonces, ¿cómo ayuda esto a los minoristas de combustible?
Tomemos el caso de un emisor de tarjetas de combustible que quiere reducir la pérdida de clientes. El análisis descriptivo informará al responsable de la toma de decisiones sobre el alcance del problema y también puede identificar las características de los clientes que han abandonado. El análisis predictivo puede proporcionar una clasificación de los clientes actuales en función de su propensión a convertirse en "churners". Es probable que se haya creado un modelo predictivo basado en las características de los clientes que han abandonado la empresa. Pero esto sólo lleva al responsable de la toma de decisiones hasta cierto punto. El último paso, y posiblemente el más crítico, que proporciona el análisis prescriptivo, determinará qué acciones puede y debe tomar la empresa para maximizar la retención de clientes. Esto puede implicar la realización de un experimento que explore el impacto de una posible intervención.
El marco orientado a la toma de decisiones propone que las posibles intervenciones se determinen al principio del proyecto y dirijan tanto la recogida de datos como las fases de modelización del proyecto. Es fundamental situar las intervenciones y las alternativas al frente y en el centro del proyecto de análisis. El éxito de los proyectos de análisis de datos en el sector del combustible minorista debe estar estructurado, centrado, e incluso fijado, en la comprensión de las intervenciones disponibles para mejorar la experiencia y el compromiso del cliente.
Escrito por Peter Baudains. Es Director de Soluciones e Innovación Analítica en The ai Corporation (ai). ai goza de la confianza de todo el mundo por desarrollar tecnología innovadora que permite a nuestros clientes crear un éxito predecible y crecer de forma rentable.
Discuss